反向传播 t推荐：一文搞懂反向传播算法

一、前言

这是一个以误差为主的反向传播运动，旨在获得最优的全局参数矩阵，然后将多层神经网络应用于分类或回归任务。

输入信号向前传输，直到输出产生误差，误差信息向后传播以更新权重矩阵。这两句话很好的描述了信息的流向，在信息的双向流动中可以优化权重，让我想起了北京的夜景，车水马龙，车水马龙。

至于为什么提出反向传播算法，我不能直接应用梯度下降吗？想必大家都有过这样的疑惑。答案肯定是否定的，即使梯度下降很厉害，也不是万能的。梯度下降可以处理导数函数显式的情况，或者那些可以计算误差的情况，比如Logistic回归，可以看作是没有隐藏层的网络；但对于多隐含层的神经网络，输出层可以直接计算误差来更新参数，但隐含层的误差是不存在的，不能直接对其应用梯度下降。相反，误差首先传播回隐藏层，然后应用梯度下降。从最后一层传递误差的过程需要链式法则的帮助，所以反向传播算法可以说是梯度下降在链式法则中的应用。

第二，举个栗子

为了帮助更好的理解反向传播的概念，对其有一个直观的认识，我们以猜数字游戏为例。

2.1两个人猜数字

这个过程类似于无隐层的神经网络，比如logistic回归，小黄帽代表输出层的节点，左侧接收输入信号，右侧产生输出结果，小蓝猫代表误差，引导参数向更好的方向调整。因为小蓝猫可以直接把误差反馈给小黄帽，而且只有一个参数矩阵直接和小黄帽相连，可以通过误差直接优化参数，经过几次迭代误差会降到最小。

同样，节点d的输入信号为:

因为计算机擅长带循环的任务，所以我们可以用矩阵乘法来表示:

因此，非线性变换后隐藏层节点的输出表示如下:

同样，输出层的输入信号表示为权重矩阵乘以前一层的输出:

同样，非线性映射后输出层节点的最终输出表示为:

在权重矩阵的帮助下，输入信号得到每一层的输出，最后到达输出层。可见，权重矩阵在正向传递信号的过程中起到了运输兵的作用，起到了连接的作用。

3.3反向传播

由于梯度下降需要清除每个层中的错误来更新参数，下一个重点是如何将输出层中的错误传播回隐藏层。

同样，隐藏层节点d的误差为:

为了减少工作量，我们愿意用矩阵乘法的形式写:

不难发现，输出层误差是借助转置权重矩阵转移到隐藏层的，这样我们就可以利用间接误差更新与隐藏层相连的权重矩阵。可以看出，权重矩阵在反向传播过程中也起着传输者的作用，但这一次是输出误差的处理，而不是输入信号).

第四，链导数

第三部分介绍了输入信息的前向传播和输出误差的后向传播，并根据得到的误差更新参数。

推导得出以下公式:

然后，更新输入图层中w11的参数。在更新之前，我们还是从后向前推导，直到预见到第一层的w11:

推导出以下公式):

到目前为止，利用链式规则更新各层参数的任务已经完成。

V.引入delta

用链式法则更新权重，你会发现这个方法很简单，但是太冗长了。因为更新过程可以看作是从网络的输入层到输出层从前到后的更新，每次都需要重新计算节点的误差，所以会出现一些不必要的重复计算。其实我们可以直接使用计算出来的节点，这样就可以重新看这个问题，从后往前更新。首先更新后权重，然后利用更新后权重生成的中间值更新前参数。这个中间变量是下面要介绍的增量变量。首先简化了公式，其次减少了计算量，有点动态规划。

接下来用事实说话，我们仔细观察了第四部分输出层w11和隐藏层w11的部分推导和偏置的部分推导过程。你会发现三个公式有相同的部分，隐藏层参数的部分求导会用到一些输出层参数的部分求导公式，这也是为什么引入中间变量delta的原因。

因此，输出层的误差可以表示为:

中国专业统计分析与数据挖掘咨询服务提供商:拓端数据

微信客服号:lico_9e